本发明专利技术涉及人工智能技术领域，公开了一种基于深度学习的人才政策推荐方法、装置、设备及介质，其方法包括：获取人才属性数据对应的数据序列；将所述数据序列输入预设的人才政策推荐模型，对所述数据序列对应的人才属性文本进行匹配，输出对应的人才政策组合策略；将所述人才政策组合策略反馈至对应的目标人才。本发明专利技术基于预先训练的人才政策推荐模型，根据人才属性数据对应的数据序列，确定适合上述专业人才的人才政策组合策略，解决了当前人才政策复杂且仍依赖于个人主观判断的现状，提高了人才政策与专业人才之间的贴合度，降低了人才政策的主观性，实现政策找人，提高人才政策的决策效率以及实施效率。策效率以及实施效率。策效率以及实施效率。
【技术实现步骤摘要】
基于深度学习的人才政策推荐方法、装置、设备及介质
[0001]本专利技术涉及人工智能
，尤其涉及一种基于深度学习的人才政策推荐方法、装置、设备及介质。
技术介绍
[0002]人才政策是人才竞争的重要支撑，也是科技创新的重要变量，如果地方采用的人才政策水平高、竞争力强，就能够吸引集聚大量高素质专业人才，提高人才聚集程度，因此，各地方都着力于提高人才政策的比较优势，不断优化人才政策的内容配置，提高人才政策的“含金量”，让各类人才引得进、留得住、用得好。
[0003]然而，目前政府所使用的人才政策一般需要个人自主根据自身实际情况去匹配合适自己的人才政策，又因为现有的人才政策类型复杂且数量繁多，难以从中确定贴合人才实际需求的人才政策，目前的人才政策决策方式过度依赖于人为主观判断，费时费力，且容易出现误差，因此，人才政策决策的效率低。
技术实现思路
[0004]本专利技术的主要目的在于提出一种基于深度学习的人才政策推荐方法、装置、设备及介质，旨在提升人才政策决策的效率。
[0005]为实现上述目的，本专利技术提供一种基于深度学习的人才政策推荐方法，所述基于深度学习的人才政策推荐方法，包括：
[0006]获取人才属性数据对应的数据序列；
[0007]将所述数据序列输入预设的人才政策推荐模型，对所述数据序列对应的人才属性文本进行匹配，输出对应的人才政策组合策略；
[0008]将所述人才政策组合策略反馈至对应的目标人才。
[0009]优选地，所述人才政策推荐模型至少包括LSTM编码器和LSTM解码器，所述将所述数据序列输入预设的人才政策推荐模型，对所述数据序列对应的人才属性文本进行匹配，输出对应的人才政策组合策略的步骤，包括：
[0010]将所述数据集序列对应的人才属性文本输入所述LSTM编码器进行编码，确定预设长度的上下文向量；
[0011]将所述上下文向量输入所述LSTM解码器进行匹配，输出对应的人才政策组合策略。
[0012]优选地，所述将所述上下文向量输入所述LSTM解码器进行匹配，输出对应的人才政策组合策略的步骤，包括：
[0013]将所述上下文向量输入所述LSTM解码器中预设的解码神经网络；
[0014]基于所述解码神经网络中预设的目标函数，根据所述上下文向量对人才属性文本对应的目标人才进行政策策略组合预测计算，确定对应的人才政策组合策略。
[0015]优选地，在所述将所述数据序列输入预设的人才政策推荐模型，对所述数据序列
对应的人才属性文本进行匹配，输出对应的人才政策组合策略的步骤之前，所述方法还包括：
[0016]获取历史各层次的人才属性，并确定所述历史各层次的人才属性对应的人才属性数据集；
[0017]将所述人才属性数据集进行预设的预处理，确定所述人才属性数据集对应的训练测试数据集；
[0018]基于所述训练测试数据集，搭建并训练人才政策推荐模型的编解码神经网络，获取所述人才政策推荐模型。
[0019]优选地，所述将所述人才属性数据集进行预设的预处理，确定所述人才属性数据集对应的训练测试数据集的步骤，包括：
[0020]将所述人才属性数据集进行预设的文本清洗以及文本序列化，获取所述人才属性数据集对应的预设长度的索引序列；
[0021]基于预设的标注方式，对所述索引序列中每条数据进行预设的政策组合方案标注，确定所述人才属性数据集对应的训练测试数据集。
[0022]优选地，所述基于所述训练测试数据集，搭建并训练人才政策推荐模型的编解码神经网络，获取所述人才政策推荐模型的步骤，包括：
[0023]将所述训练测试数据集输入人才政策训练模型的嵌入层，并通过所述嵌入层预设的词嵌入技术，对训练测试数据集中的索引序列进行向量映射，确定所述索引序列的定向形状向量；
[0024]在所述人才政策训练模型中加入预设的神经元，并基于所述神经元对所述索引序列的定向形状向量进行深度学习，构建对应的LSTM编解码器神经网络；
[0025]通过对索引序列和定向形状向量对应的政策组合进行比较计算，确定对应的目标函数；
[0026]基于所述目标函数对所述LSTM编解码器神经网络进行训练，获取达到预设标准的权重值，并确定根据所述权重值收敛后的人才政策推荐模型。
[0027]优选地，所述获取人才属性数据对应的数据序列的步骤，包括：
[0028]从人才信息系统中获取目标人才的人才属性数据；
[0029]将所述人才属性数据进行预设的文本序列化处理，确定所述人才属性数据对应的数据序列。
[0030]此外，为实现上述目的，本专利技术实施例还提出一种人才政策推荐装置，所述人才政策推荐装置包括：
[0031]序列转化模块，用于获取人才属性数据对应的数据序列；
[0032]策略确定模块，用于将所述数据序列输入预设的人才政策推荐模型，对所述数据序列对应的人才属性文本进行匹配，输出对应的人才政策组合策略；
[0033]策略反馈模块，用于将所述人才政策组合策略反馈至对应的目标人才。
[0034]优选地，所述序列转化模块，包括：
[0035]从人才信息系统中获取目标人才的人才属性数据；
[0036]将所述人才属性数据进行预设的文本序列化处理，确定所述人才属性数据对应的数据序列。
[0037]优选地，所述策略确定模块，包括：
[0038]将所述数据集序列对应的人才属性文本输入所述LSTM编码器进行编码，确定预设长度的上下文向量；
[0039]将所述上下文向量输入所述LSTM解码器进行匹配，输出对应的人才政策组合策略。
[0040]优选地，所述策略确定模块，还包括：
[0041]将所述上下文向量输入所述LSTM解码器中预设的解码神经网络；
[0042]基于所述解码神经网络中预设的目标函数，根据所述上下文向量对人才属性文本对应的目标人才进行政策策略组合预测计算，确定对应的人才政策组合策略。
[0043]此外，为实现上述目的，本专利技术实施例还提出一种设备，所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人才政策推荐程序，所述人才政策推荐程序被所述处理器执行实现如上所述的基于深度学习的人才政策推荐方法步骤。
[0044]此外，为实现上述目的，本专利技术还提供一种介质，所述介质为计算机可读存储介质，所述计算机可读存储介质上存储有人才政策推荐程序，所述人才政策推荐程序被处理器执行时实现如上所述的基于深度学习的人才政策推荐方法的步骤。
[0045]本专利技术提出一种基于深度学习的人才政策推荐方法、装置、设备及介质，所述基于深度学习的人才政策推荐方法的步骤包括：获取人才属性数据对应的数据序列；将所述数据序列输入预设的人才政策推荐模型，对所述数据序列对应的人才属性文本进行匹配，输出对应的人才政策组合策略；将所述人才政策组合策略反馈至对应的目标人才。
[0046]相比本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的人才政策推荐方法，其特征在于，所述基于深度学习的人才政策推荐方法，包括：获取人才属性数据对应的数据序列；将所述数据序列输入预设的人才政策推荐模型，对所述数据序列对应的人才属性文本进行匹配，输出对应的人才政策组合策略；将所述人才政策组合策略反馈至对应的目标人才。2.如权利要求1所述的基于深度学习的人才政策推荐方法，其特征在于，所述人才政策推荐模型至少包括LSTM编码器和LSTM解码器，所述将所述数据序列输入预设的人才政策推荐模型，对所述数据序列对应的人才属性文本进行匹配，输出对应的人才政策组合策略的步骤，包括：将所述数据集序列对应的人才属性文本输入所述LSTM编码器进行编码，确定预设长度的上下文向量；将所述上下文向量输入所述LSTM解码器进行匹配，输出对应的人才政策组合策略。3.如权利要求2所述的基于深度学习的人才政策推荐方法，其特征在于，所述将所述上下文向量输入所述LSTM解码器进行匹配，输出对应的人才政策组合策略的步骤，包括：将所述上下文向量输入所述LSTM解码器中预设的解码神经网络；基于所述解码神经网络中预设的目标函数，根据所述上下文向量对人才属性文本对应的目标人才进行政策策略组合预测计算，确定对应的人才政策组合策略。4.如权利要求1所述的基于深度学习的人才政策推荐方法，其特征在于，在所述将所述数据序列输入预设的人才政策推荐模型，对所述数据序列对应的人才属性文本进行匹配，输出对应的人才政策组合策略的步骤之前，所述方法还包括：获取历史各层次的人才属性，并确定所述历史各层次的人才属性对应的人才属性数据集；将所述人才属性数据集进行预设的预处理，确定所述人才属性数据集对应的训练测试数据集；基于所述训练测试数据集，搭建并训练人才政策推荐模型的编解码神经网络，获取所述人才政策推荐模型。5.如权利要求4所述的基于深度学习的人才政策推荐方法，其特征在于，所述将所述人才属性数据集进行预设的预处理，确定所述人才属性数据集对应的训练测试数据集的步骤，包括：将所述人才属性数据集进行预设的文本清洗以及文本序列化，获取所述人才属性数据集对应的预设长度的索引序列；...
【专利技术属性】
技术研发人员：邢彪，丁东，冯杭生，汤人杰，陈嫦娇，楼淑赟，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。